Microsoft announced Azure Linux 4.0 and Azure Container Linux at Open Source Summit. Azure Linux 4.0 is a Fedora-based general-purpose server distribution for Azure VMs, the first time Microsoft...

Can Japan translate its hardware expertise into AI, data, and software to emerge as a leader as general-purpose robots scale?

Being stuck isn’t failure—it’s a signal to act. NobleReach Foundation CEO Arun Gupta explains how action—not clarity—creates momentum and fuels mission in an uncertain world.

Nick shares his experience leading the fiber giant back from the brink.

A general-purpose agent built on large language models to automate software engineering tasks and boost developer productivity.

As hardware and software advance, general-purpose robots may evolve from a niche curiosity to an integral part of the workplace.

The CEO of The Minnesota Star Tribune shares his journey from Google executive to state economic leader—and now, to reimagining the future of America and the places we call home.

Our latest research reveals that long-term investors use purpose and portfolio synergies to drive high returns. How can they sustain superior performance in a new era?

本报告比较了欧盟人工智能法案通用人工智能实践规范（第三草案）与领先人工智能公司的当前做法，深入分析了安全与安全措施，旨在为监管者与GPAI模型提供商之间的对话提供参考。

本研究提出了一种少样本提示学习框架FSMisD，旨在提高视觉语言模型在动态数据集中的误分类检测效率和有效性。实验结果表明，该方法在多个数据集上具有显著的有效性和普适性。

本研究提出了一种基于结构化医学推理的方法，以解决大型语言模型在医学问题回答中的错误和不完整性。该方法通过七步认知过程指导模型，实验结果显示在MedLFQA基准上取得了85.8的最高事实性得分，证明了其高效性和可扩展性。

本研究提出了一种目的驱动的情感计算框架，旨在解决情绪识别与生成的短期模式识别问题，强调个体和群体的长期福祉，通过“数据宇宙”捕捉情感事件，促进持续幸福感。

本研究评估了通用模型与病理基础模型在细胞分割和分类中的表现差距，分析了补丁嵌入和不同编码器的效果，明确了两种模型的优缺点，为细胞病理学分析提供了指导。

本研究提出了一种名为MR.Q的统一无模型深度强化学习算法，旨在解决现有算法对特定基准和超参数调整的依赖。该方法通过模型基础表示近似线性化价值函数，在多样任务中展现出竞争力性能，为通用无模型深度强化学习奠定基础。

本研究提出了一种轻量级、目的驱动的数据管道，旨在解决大型语言模型（LLMs）在数据集创建中对GPU资源的依赖。该框架完全基于CPU运行，显著降低了时间和成本，同时保持高数据质量，支持定制数据集的创建。

本文提出了一种基于讲座语义的自动多摄像头导向和编辑系统，旨在改善远程教育中学生的学习体验。该系统能够实时引导视频流并进行离线编辑，提升在线教学的观看体验和信息质量。实验结果表明，该系统有效解决了视角限制带来的问题。

本研究提出了一种新的对抗性学习方法，旨在提高生物医学体积模型在小型数据集上的泛化能力。通过合成多样化的训练样本，增强了3D网络在不同生物医学环境中的表现，并设定了多模态配准和少样本分割的新标准。

本研究提出了一种价值引导政策引导（V-GPS）方法，旨在解决通用机器人在多样化演示数据集上训练时的性能不一致问题。该方法通过离线强化学习的价值函数重新排序机器人的动作，显著提升了不同架构的机器人政策在多种平台和任务上的表现。